摘要：[研究目的]探讨数字孪生（Digital Twin）技术在韧性城市建设中的应用，特别聚焦于公共空间异音识别技术的融合研究，旨在提升城市对公共安全事件的感知和响应能力，应对自然灾害和人为威胁等风险。[研究方法]通过构建城市的高保真数字孪生模型，实现城市动态监测、模拟仿真和预测分析，从而推动韧性城市的建设。基于文献分析方法，系统地梳理和分析与异音识别相关的算法、声源定位技术、代表性应用场景。同时，从技术和应用角度，评估数字孪生异音识别中的数据质量、算法鲁棒性、硬件资源和隐私保护等关键挑战。[研究结论]数字孪生与异音识别技术结合可显著提升城市韧性，尤其能增强城市对突发公共安全事件的快速感知和精准处理能力。然而，公共空间异音识别仍面临四大挑战：有效数据质量低、算法鲁棒性、算力瓶颈和隐私保护难度高。未来技术发展方向包括多模态融合感知、边缘计算优化、联邦学习等技术，以实现高效率、高智能、高隐私保护的韧性城市系统。

关键词：韧性城市；数字孪生；公共空间；异音识别；声源定位

城市是人类经济社会文化活动的枢纽，也是风险挑战聚集的中心。面对严峻的挑战，国家已经全方面部署了安全监控技术，该技术在构建城市韧性、保障公共安全方面发挥了突出作用。为进一步获取城市系统的运行状态、及时发现城市风险隐患，进而采取有效对策，城市管理者开始探索使用数字孪生技术[1]，它通过构建物理城市的数字孪生模型，将城市多源异构数据融合在一起，通过对城市进行实时监测、模拟仿真的预测性分析，可以让管理者了解城市系统运行状态，发现城市系统潜在的风险与隐患，及时做出有效对策。

其中，安全信息数据的采集和实时监测对韧性城市的数字孪生技术应用起到重要作用，目前数据监控系统主要是基于视频信息搭建的。视频监控采用摄像头采集监控区域的视频信息，能够直观地记录监控区域发生的事件，但也存在一些缺点。首先，由于摄像头监控位置和角度的限制，以及光线和遮挡物的影响，视频监控往往存在一定死角，不能完全有效地监控现场。其次，当前视频监控系统大多仍由人工值守，对发生的异常事件很难做到实时感知，采集到的视频信息通常只是作为事后查证的证据。监控系统的现状已经无法满足人们对公共安全监控的需求，提升监控系统的智能化水平成为当前技术发展的方向之一。众所周知，公共场所异常事件发生时常伴随着如爆炸声、枪声、尖叫声等异常声音的出现。与视频信号相比，声音信号因其呈辐射状传播的特点，在一定范围内可以快速实时地反映异常情况且无监控死角。因此，基于异常声音信号识别的音频监控能够有效克服视频监控的缺点，成为安防监控的重要补充。音频监控与视频监控相结合，是提升公共安全监控系统性能的有效途径之一。

本文旨在综述数字孪生的概念、特征及关键技术，分析数字孪生技术在城市韧性建设中的应用场景与价值，并重点探讨其在公共空间异音识别领域的研究现状，包括异音识别算法、异音定位技术及应用实践场景多样化。此外，本文还将总结当前研究的不足，并展望未来发展的方向。

一、数字孪生技术概述

数字孪生技术在韧性城市建设领域具有广泛的应用前景。首先，通过创建数字孪生城市模型，可以基于灾害情景模拟城市基础设施的运行状况，分析其脆弱性，并优化资源配置，从而提升城市应对灾害的能力[2-3]。其次，采用建筑信息模型（Building Information Modeling，BIM）方法能够识别城市交通系统、能源系统和通信系统等关键系统存在的瓶颈与风险点，为制定应急预案提供科学依据[4-5]。此外，数字孪生技术还能促进公民参与韧性城市建设，确保决策过程的开放与透明[6-7]。

（一）数字孪生的概念

数字孪生（Digital Twin）是指构建物理实体或系统的数字映射实体（Digital Model），用于对物理实体或系统进行实时监测、仿真模拟和预测性分析的技术。数字孪生技术最初起源于航空航天领域，主要应用于飞行器健康管理与失效诊断。随着信息技术的飞速发展，数字孪生技术的应用范围已扩展至制造、能源、交通、医疗等多个领域。

（二）数字孪生的特征

数字孪生城市通过构建高保真、多尺度、时空同步的城市级信息物理系统（Cyber-Physical Systems，CPS），实现对基础设施网络、物资+人员+信息多模态流动、环境要素及社会活动的实时闭环。其核心科学特征可归纳为以下四个方面：首先，以分布式传感器阵列、5G/6G通信及边缘计算为支撑，建立毫秒级数据同步链路，确保虚拟孪生体与物理城市间的状态误差收敛于可量化阈值；其次，依托多物理场耦合建模、人工智能代理仿真与高性能计算，生成可解释、可预测的数字副本，实现对城市复杂系统演化规律的反演与前瞻推演；再次，通过基于控制论的反馈机制与多目标优化算法，实现孪生体对物理实体的自适应调控，完成资源配置与运行策略的动态优化；最后，构建“感知—建模—预测—优化—控制”的迭代闭环，以贝叶斯更新与强化学习持续校正模型参数，驱动城市系统向韧性最优前沿演化。

（三）数字孪生的关键技术

作为中国的首都，北京的韧性城市建设面临着巨大的机遇与挑战。数字孪生技术为韧性城市智慧赋能，需要以下五项关键技术。

1.三维模型技术

数字孪生城市的核心技术，即建立建筑物信息模型，其核心作用在于直观表现城市复杂的三维形态，其三维模型具有几何特征信息，同时还包括语义信息，如所用材料、施工期、成本等，这样可以使城市规划管理、应急救援、城市管理更具形象，更加基于数据[8]。

2.数据采集技术

数据采集技术是数字孪生的一个关键因素，它主要负责对物理实体或者系统开展数据采集工作，采集的数据类型主要分为传感器数据、视频数据、图像数据等。在智慧城市的应用中，数据采集一般通过部署在城市的各种传感器网格来实现，这些传感器可以采集包含环境状况、交通状态、设施健康状况在内的多源信息[9]。物联网（Internet of Things，IoT）设备、实时传感器是这些数据采集的主要工具，可确保数据采集的实时性和准确性。

3.数据融合技术

通过不同传感器采集到的源数据往往存在协议、格式等差异，利用数据融合技术可实现多源异构数据融合，进而提供统一数据视图；利用语义标注技术可增强数据的可解释性和互操作性[10]；利用实时处理和云技术可以使信息在数字孪生系统中快速流通和处理[11]。

4.模拟仿真技术

模拟仿真技术是数字孪生的核心技术，能够实现在虚拟环境下对城市行为进行推演和试验，评估不同应急策略的优劣。它还能够支持进行场景推演和风险评估，这在城市安全应急管理中具有重要意义[12]。

5.人工智能技术

人工智能技术是数字孪生进行智能决策的基础，是数字孪生使用数据分析、模式识别、优化算法的数据挖掘技术。人工智能可以发现模式并识别趋势，还可以提供智能响应策略来改进数字孪生。城市应急管理领域的AI应用，包括异常事件检测、资源分配和行为预测等[13]。

二、数字孪生在城市韧性建设中的应用

（一）城市韧性建设的需求分析

城市韧性建设作为应对复杂系统风险的科学研究议题，其核心目标是通过跨学科方法量化并提升城市在面临自然灾害、公共卫生事件及人为威胁时的抵御、适应与恢复能力。该研究主要包含四个维度：第一，构建高分辨率的城市数字孪生模型，实时整合基础设施、交通、能源、通信及环境等多源异构数据，实现对城市运行状态的动态监测与系统识别；第二，运用机器学习与情景模拟技术，对潜在风险链与级联失效路径进行概率化评估与早期预警，以识别关键隐患节点；第三，优化应急决策算法，整合资源调配、人员疏散与基础设施冗余设计的协同策略，旨在构建最小化损失函数；第四，建立包含物理修复、社会网络重构及经济韧性恢复在内的复合指标体系，量化城市系统的恢复速率、恢复程度与长期适应性，为政策制定者提供基于数据的韧性提升路径。

（二）数字孪生在城市韧性建设中的应用场景

在城市韧性建设这一复杂系统科学命题中，数字孪生技术被重构为一种贯穿“规划—运维—应急—恢复”全生命周期的韧性增强引擎。其核心机理是在统一的高保真信息物理系统框架下，将多源实时数据流与多尺度机理模型进行双向耦合，形成“感知—认知—决策—执行”的闭环控制，从而对城市韧性指标（鲁棒性、冗余性、资源可调配性、快速恢复力）进行可量化、可预测、可优化的动态管理。典型应用场景包括以下五点。

第一，在规划阶段，利用以贝叶斯—进化混合算法驱动的蒙特卡洛仿真（Monte Carlo Simulation），在孪生空间内对“土地—交通—能源—环境”耦合方案进行跨情景敏感性分析，遴选在交通效率、碳排放与热岛效应三维帕累托（Pareto）前沿上的韧性最优规划。

第二，在基础设施运维阶段，通过“分布式传感—深度学习残差网络”实时反演桥梁、隧道、道路等关键资产的疲劳裂纹扩展轨迹，并基于剩余寿命预测模型，动态生成最小全生命周期成本的预防性维养策略。

第三，在应急处置阶段，集成灾害链动力学、智能体（Agent）行为模型与强化学习决策引擎，对“地震—洪水—危化品泄漏”等区域多灾种损失评估的级联效应情景进行高分辨率仿真，并运用在线滚动优化算法实现应急资源与疏散路径的分钟级优化配置，显著提升城市鲁棒性与恢复速率。

第四，在环境监测阶段，构建“大气—水质—噪声”耦合数值模型，结合卡尔曼滤波（Kalman filtering）同化与异常检测算法，实现污染突发事件的提前预警及逆向溯源治理。

第五，在公共安全阶段，依托计算机视觉与时空图神经网络，实时解析高密度人流微观动力学特性，识别异常聚集、恐慌传播模式，并通过“孪生体—物理体”闭环控制触发分级预警与资源调度，实现公共安全风险的可量化、可预测、可干预管理。

（三）数字孪生在城市韧性建设中的价值

数字孪生技术为城市韧性研究提供了一种“数据—模型—控制”一体化的创新范式。首先，通过构建高保真的城市信息物理系统，实时融合多源传感数据与机理—数据混合模型，实现城市运行状态的时空可视化与智能解析，从而以量化指标提升管理效率。其次，依托“边缘—云”协同的分布式优化算法，对基础设施网络进行参数级远程调控，以降低运维成本并逼近帕累托最优配置。此外，将情景驱动的灾害链模拟、强化学习决策引擎与多主体疏散仿真嵌入孪生框架，为应急指挥部门提供不确定性下的鲁棒策略，显著提高城市对自然灾害与突发公共事件的抵御与恢复能力。最后，基于实时异常检测与贝叶斯预警模型，对公共安全风险进行在线评估与提前干预，进而以可量化的福祉保障居民生命安全与生活质量。

三、数字孪生与异音识别定位技术的融合

公共场所安全是韧性城市的重要组成部分。作为人们工作与生活的核心区域，公共场所的安全问题至关重要。异音识别定位技术通过对公共场所异音的实时监测与分析，能够在第一时间发现犯罪、事故、故障等异常事件[14-16]。传统的异音识别主要依赖人工监测和报警系统，存在效率低下且易出错的弊端。近年来，随着人工智能与物联网技术的快速发展，基于深度学习的异音识别在实时性和准确率方面都获得了显著提升[17-18]。

异音识别定位技术与数字孪生的融合，为公共场所安全事件的及时响应与精准处置提供了创新解决方案。具体而言，数字孪生城市可通过部署的麦克风阵列实时采集公共场所的声音数据，并利用深度学习模型识别异常声音，如枪击声、喊叫声和爆炸声等；同时，借助声音定位算法确定异音发生的具体位置，并在数字孪生场景中进行可视化呈现。基于数字孪生提供的事件信息，城市管理者能够有效调度应急资源，实施救援工作，最大限度地降低损失[19-21]。

面向公共空间安全的数字孪生异音识别系统以“声学—视觉—地理”多模态信息物理融合为核心，构建了从感知到决策的闭环韧性框架。在数据采集层，通过布设于三维城市场景中的分布式麦克风阵列与监控摄像头，实现了声纹、声强、声音到达时间差及视频流的毫秒级同步捕获。在数据处理层，孪生引擎利用自适应波束形成深度降噪网络，提取梅尔频谱（Mel-spectrogram）、声学指纹及运动矢量特征，完成背景噪声抑制与“语义—空间”特征耦合。在异音识别层，基于端到端深度残差网络与少样本异常检测模型，对枪击、爆炸、呼救等罕见声事件进行在线增量学习，并输出概率化的异常评分。在事件定位层，融合声源定位算法与射线追踪的虚拟声场计算，将误差≤1m的三维坐标实时映射至孪生空间。在可视化与决策层，异音事件以热力云图、时序声压曲线及疏散时间窗的形式叠加于城市数字孪生模型，供指挥平台调用强化学习驱动的应急预案库，实现警力、医疗资源与疏散路径的动态优化。

异音识别技术和数字孪生技术的融合，可以为公共安全监测、基础设施故障预警、灾害早期识别等提供可靠的数据支持，为韧性城市发展提供前瞻性决策指导。

四、数字孪生技术在国外城市建设中的应用

德国、新加坡、日本、西班牙等国家利用数字孪生技术在智能城市相关建设、应用方面开展了一系列工作，形成了数字孪生城市发展的基本概念图谱和具体的应用成果。

（一）德国：智能基础设施与工业4.0的结合

由于德国在工业4.0和智能制造领域处于领先地位，数字孪生在智能城市建设中具有重要的应用价值。该技术不仅应用于生产设备和工厂管理，还扩展到城市基础设施的管理，包括电力系统、供水管网和排水管网等公共设施的智能化管理。西门子股份公司（SIEMENS AG）作为工业4.0和智能制造的积极参与者，深入研究了数字孪生技术，并将其融入数字化战略和工业解决方案中。西门子的数字孪生应用模型涵盖了数字孪生产品、数字孪生生产和数字孪生体绩效，形成了一套完整的解决方案。例如，在德国智慧城市计划中，数字孪生技术被用于优化建筑物能源管理和利用，显著减少了碳排放。通过构建虚拟城市模型，城市管理者可以通过比选不同方案，对不同比例和结构的建筑物进行能源需求模拟和优化设置，实现更合理的能源利用，从而改善城市环境。此外，数字孪生技术不仅帮助德国优化了工业和城市基础设施，使其更有效地利用城市空间，还在能源和水资源管理方面促进了智能化和可持续发展。通过数据驱动决策和模拟预测技术，数字孪生助力德国实现了减碳目标，推动了绿色能源转型，提升了城市治理透明度，并增强了应对灾害的能力。

（二）新加坡：智慧城市和城市管理的创新

数字孪生作为新加坡智慧城市建设的重要技术支撑，其应用范围十分广泛，涵盖城市规划、交通管控、建筑设计、能源利用和环境监测等多个领域，提高了城市的资源管理效率和服务优化水平。新加坡的“智慧国家计划”通过数字孪生技术，为市民提供了“智慧城市”的生活体验。新加坡的数字孪生系统整合了丰富的信息资源，既包括信号灯、巴士站等静态地理位置数据，也包含巴士实时位置、登革热热点等动态传感器数据，有效解决了交通瓶颈问题，提升了公共交通效率，减少了碳排放。这些数据为新加坡的长期规划和决策提供了重要支持。新加坡国土局通过三维实景建模和测绘技术，构建了首个国家级数字孪生模型，助力新加坡实现可持续发展的智慧国家目标。在应用实践方面，新加坡的智能交通系统充分利用数字孪生技术，实现了对道路状况和交通流量的实时监控、未来情景推演，以及对红绿灯和交通信号的实时调控，有效缓解了城市交通拥堵问题。

（三）日本：智能城市与灾害应对

作为自然灾害高发的国家，日本在防灾减灾、基础设施运维和城市建设等领域广泛应用了数字孪生技术。该技术主要用于地震、洪水等灾害的监测预警和应急响应。借助仿真级数字孪生技术，企业能够快速识别业务痛点，显著提升整体运营效率。实际应用案例表明，数字孪生技术已在东京、大阪等超大城市的基础设施监控中发挥重要作用。例如，在东京，此项技术通过模拟地震对建筑物与道路的破坏，优化了救援路线规划与资源分配，从而有效减轻了灾害损失。

数字孪生技术的应用具有双重意义。首先，它增强了城市韧性，使城市能够更好地应对危机。通过提前评估灾害并进行详细模拟，日本政府可以更有效地规划灾后重建工作。其次，该技术能够及时响应自然灾害、基础设施维护和应急准备等需求，支持基础设施维护和改造的决策，延长设施使用寿命，降低维护成本。

（四）西班牙：城市交通和环境监测

西班牙积极推动智能化城市建设，在数字孪生技术应用于城市交通运输和环境监测领域取得了显著进展。巴塞罗那等城市已完成城市数字孪生系统的建立工作，构建了完整的城市孪生模型，从而提升了城市运营效率，改善了市民生活质量。马德里高等材料研究院（IMDEA Materials Institute）与马德里技术大学（Universidad Politécnica de Madrid，UPM）的研究人员开发了一种用于分析结构复合材料树脂转移模塑（RTM，一种典型的液体成型技术）制造过程的数字孪生模型，该模型能够实时监测复合材料结构的制造过程。该数字孪生方法专注于复合材料结构的成型制造过程，可监测模具的填充情况、材料的孔隙度以及是否存在孔洞等问题，突破了传统仅对制造完成零件进行后期分析的局限性。

数字孪生技术对西班牙城市建设的意义重大，该国利用智慧数据分析系统进行数据规划，建立的数字孪生模式使城市交通更加畅通，帮助城市管理者更好地预判需求并合理分配资源，从而推动了环境友好型城市建设的进程。

五、研究展望

（一）面临的挑战

在韧性城市数字孪生框架下，公共空间异音识别仍面临四项关键科学挑战。

首先是提高数据质量。开放场景中的非稳态噪声、多径反射与设备自噪导致信噪比波动超过20dB，会直接降低对噪声源的特征开展可靠的可分性分析。因此，需构建“声学—气象—地理”联合校准模型，从而实现有效的实时自适应降噪与源数据增强。

其次是算法鲁棒性。城市声景“时—空”分布呈长尾且突变，在进行训练深度网络时，如果数据量（训练样本）比较小，或者网络结构过于复杂，会很容易出现过拟合现象。需引入对抗训练、元学习与跨域自适应机制，提升对未知异音类别的零样本泛化能力。

再次是算力瓶颈。高分辨率阵列一旦产生超过50MB/s的原始流，边缘GPU内存就会受限。应研究“量化—剪枝—蒸馏”协同的轻量化网络，并在孪生“云—边—端”间设计弹性卸载策略。

最后是隐私合规。声音含生物特征与语义信息，需采用联邦学习、差分隐私与同态加密技术，在满足《通用数据保护条例》（General Data Protection Regulation，GDPR）与国标要求的同时维持识别精度损失小于2%。

（二）未来发展趋势

面向韧性城市的数字孪生公共空间异音识别，其未来演进将以“跨模态—边缘—联邦—决策”四位一体的科学范式为核心。具体而言，首先，通过“声学—视觉—文本”跨模态对齐网络，在毫秒级时空分辨率下联合表征枪击、爆炸、呼救等异常事件。其次，将轻量化Transformer-Lite模型部署至“摄像机—麦克风”边缘节点，形成本地推理与孪生协同的“感知—决策”闭环，确保端到端延迟低于50ms。此外，采用隐私保护的联邦学习框架，使城市、运营商及第三方在加噪梯度共享机制下联合训练全局模型，兼顾数据主权与泛化性能。最后，将异音置信度、地理热力图与应急预案库接入强化学习决策引擎，实现警力、医疗及疏散资源的分钟级动态优化，显著提升极端事件下城市系统的恢复速率与韧性水平[22-24]。

当前，数字孪生驱动的公共空间异音识别已从概念验证迈向小规模试点阶段，下一步应通过标准制定、开放数据集和跨域联邦实验，将其纳入城市韧性基础设施的常态化运维体系中，实现“听得见、看得清、算得准、管得快”的安全韧性目标。

参考文献：

[1] 安迎建.数字孪生驱动的韧性城市建设理论与实践[J].上海建设科技，2025（3）：31-34.

[2] 余政，李向江，朱宸，等.数字孪生技术赋能韧性城市发展路径探索[J].黑龙江科学，2025，16（1）：72-75.

[3] 李春雷，蔡赞吉，刘铁锤，等.韧性城市视角下的甬江流域数字孪生平台建设[J].水利信息化，2023（2）：14-18.

[4] 张威.耦合与嵌入：数字孪生技术赋能韧性城市建设[J].湖北文理学院学报，2022，43（9）：35-40.

[5] 何静怡，谢邦彦，苏莉娜，等.奧格科技：突破CIM数字孪生底座关键技术，赋能韧性城市建设[J].科技与金融，2025（4）：36-40.

[6] ALLAN M，RAJABIFARD A，FOLIENTE G. Urban regeneration and placemaking：a digital twin enhanced performance-based framework for melbourne’s greenline project [J].Australian planner，2023，59（4）：247–257.

[7] KOBAYASHI T，HATA H，FUKAE K. Digital twin configuration method for public services by citizens [C]//2023 IEEE International Conference on Consumer Electronics（ICCE），2023：1-3.

[8] 刘奕，张辉，王晶鑫，等.我国城市安全韧性发展现状与技术发展方向展望[J].中国工程科学，2025，27（4）：13-27.

[9] YANG T，GAO W. Research and application of digital twin technology in smart city[C]//Institute of Electrical and Electronics Engineers.2024 4th International Symposium on Artificial Intelligence and Intelligent Manufacturing （AIIM）.Chengdu，China，2024：505-508.

[10] YANG F，HUA Y X，LI X，et al. A survey on multisource heterogeneous urban sensor access and data management technologies[J].Measurement：sensors，2022，19（4）：100061.

[11] 王滨，魏世祎，刘韧之.韧性城市建设关键技术浅谈[C]//北京水利学会，天津市水利学会，河北省水利学会，河海大学，河北工程大学，浙江水利水电学院.2023（第二届）城市水利与洪涝防治学术研讨会论文集.石家庄，2023：369-377.

[12] 王诗昆.数字孪生在市政建设项目中的场景应用[J].建筑施工，2022，44（12）：3002-3005.

[13] 杨程云.人工智能在应急管理领域的应用范式分析[J].中国公共安全，2025（2）：100-102.

[14] RIAZ K，MCAFEE M，GHARBIA S S. Management of climate resilience：exploring the potential of digital twin technology, 3D city modelling, and early warning systems[J].Sensors（14248220），2023，23（5）：2659.

[15] SUNGEETHA D，NANTHINI S，SIVABALAN R，et al. Deep learning based detection and delineation sound in smart city system[C]//IEEE.2024 8th International Conference on Electronics，Communication and Aerospace Technology（ICECA）.Coimbatore，India，2024：870-873.

[16] İŞLER B. Urban sound recognition in smart cities using an iot–fog computing framework and deep learning models：a performance comparison[J].Applied sciences，2025，15（3）：1-21.

[17] DAVIDOVIC B，DEJANOVIC S，DAVIDOVIC M. A crowdsensing-based framework for sound and vibration data analysis in smart urban environments[J].Smart cities and regional development（scrd）journal，2024，8（2）：39-46.

[18] QUAN M K，WIJAYASUNDARA M，SETUNGE S，et al. Quantum-inspired genetic algorithm for robust source separation in smart city acoustics[C]//2025 IEEE International Conference on Communications Workshops（ICC Workshops）.Montreal，QC，Canada，2025：1966-1971.

[19] DOMAZETOVSKA S，PECIOSKI D，GAVRILOSKI V，et al. IoT smart city framework using AI for urban sound classification[C]//Institute of Acoustics.Institute of Acoustics Proceedings.Glasgow，Scotland：Inter-Noise 2022，2022：2767-2776.

[20] CHAO F，CHENG Z，YAHJA A，et al. Disaster city digital twin：a vision for integrating artificial and human intelligence for disaster management[J].International journal of information management，2021，56：102049.

[21] CHOMIAK-ORSA I，HAUKE K，PERECHUDA K，et al. The use of digital twin in the sustainable development of the city on the example of managing parking resources[J].Procedia computer science，2023，225：2183-2193.

[22] 秦红岭.韧性城市建设的价值审视[J].科技智囊，2023（5）：59-66.

[23] 唐红涛，李胜楠，谢婷.数字经济提升城市商业经济韧性机理及路径研究[J].科技智囊，2021（8）：14-19.

[24] 褚尔康.基于数字孪生技术的政务管理范式重构[J].科技智囊，2022（11）：21-27.

作者简介：武建平，硕士，北京市科学技术研究院，助理研究员，研究方向为信息化管理和技术研究、信息安全研究等。郭宏志，博士，北京市科学技术研究院城市安全与环境科学研究所，研究员，研究方向为应急安全技术、人工智能技术等。谢鹏，博士，北京市科学技术研究院城市安全与环境科学研究所，副研究员，研究方向为光学检测技术、人工智能技术应用等。